基于深度学习的产品推荐方法、装置、设备和存储介质制造方法及图纸

本申请提供一种基于深度学习的产品推荐方法、装置、设备和存储介质，该方法包括，确定目标用户对应的候选产品库；利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从候选产品库中筛选得到多个待推荐产品；利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析各待推荐产品的产品特征和目标用户的用户特征，得到各待推荐产品的预测响应概率；根据预测响应概率将部分待推荐产品推荐给用户。本方案利用深度学习技术对目标用户的用户特征进行分析，能够更深层次地挖掘特定用户对各个产品的潜在偏好，从而提高产品推荐的准确度。

【技术实现步骤摘要】
基于深度学习的产品推荐方法、装置、设备和存储介质
本专利技术涉及深度学习
，特别涉及一种基于深度学习的产品推荐方法、装置、设备和存储介质。
技术介绍
银行常常需要向用户推荐各种产品，如信用卡，理财，基金等，目前的产品推荐的方法，一般是采用传统的分类算法，按照用户的属性将不同用户进行分类，如按年收入划分不同区间，按不同职业分类，然后为特定类别的用户推荐对应的产品。这种方法存在的问题是，同一类别的不同用户对各个产品的偏好一般并不相同，而传统的分类算法只能预测每个类别用户可能偏好的产品，无法预测每个用户的个性化的偏好，最终获得的推荐结果的准确度较低，推荐的产品往往不符合用户实际的偏好。
技术实现思路
针对上述现有技术存在的问题，本申请提供一种基于深度学习的产品推荐方法、装置、设备和存储介质，以提高产品推荐技术的准确度。本申请第一方面提供一种基于深度学习的产品推荐方法，包括：确定目标用户对应的候选产品库；其中，所述候选产品库包含多个所述目标用户未购买的产品；利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品；针对每一个所述待推荐产品，利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率；其中，所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定；r>根据各个所述待推荐产品的预测响应概率，按由大至小的顺序对各个所述待推荐产品进行排序，得到待推荐列表；按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。可选的，所述利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品，包括：以所述目标用户的已购买产品作为训练语料，训练得到词向量模型；利用所述词向量模型计算得到所述候选产品库中每一个产品对应的产品向量；根据所述候选产品库中各个产品的产品向量和所述已购买产品的产品向量之间的相似度，从所述候选产品库中选取第一推荐产品；其中，所述第一推荐产品的产品向量和所述已购买产品的产品向量之间的相似度大于第一阈值；确定出多个和所述目标用户相似的相似用户；将所述候选产品库中所述相似用户已购买的产品，确定为第二推荐产品；获得包含所述目标用户在内的多个用户针对所述候选产品库中部分产品的交互记录，并根据所述交互记录生成产品评分矩阵；其中，所述产品评分矩阵包含所述多个用户对所述候选产品库中部分产品的评分；对所述产品评分矩阵进行矩阵分解，得到用户矩阵和产品矩阵；根据所述用户矩阵和所述产品矩阵，计算得到所述目标用户针对所述候选产品库的每一个产品的评分；将所述候选产品库中，目标用户的评分大于第二阈值的产品确定为第三推荐产品；确定所述候选产品库中每一个产品所属业务条线；将所述候选产品库中，所属业务条线为业务推荐规则指定的优先推荐条线的产品，确定为第四推荐产品；将所述第一推荐产品，所述第二推荐产品，所述第三推荐产品和所述第四推荐产品均确定为待推荐产品。可选的，所述利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率，包括：利用预先构建的逻辑回归模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第一响应概率；利用预先构建的梯度提升决策树分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第二响应概率；利用预先构建的深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第三响应概率；将所述待推荐产品的第一响应概率，第二响应概率和第三响应概率进行加权平均，得到所述待推荐产品的预测响应概率。可选的，所述按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息，包括：判断当前时刻是否位于所述目标用户设置的免打扰策略所指定的可推送时间段内；若当前时刻位于所述可推送时间段内，计算前一次推送的时刻至当前时刻之间的时间间隔；若所述时间间隔大于或等于所述免打扰策略所指定间隔阈值，获取所述待推荐列表中任意一个未推荐产品的产品信息；其中，未推荐产品指代所述待推荐列表的前N个产品中，产品信息尚未被推送至所述目标用户的产品；通过预设的推送渠道，将获取到的产品信息推送至所述目标用户，以完成一次推送。可选的，所述按所述目标用户设置的免打扰策略逐一向所述目标用户推送所述待推荐列表中各个所述待推荐产品的产品信息之后，还包括：获取所述目标用户的反馈信息；其中，所述反馈信息用于表征所述目标用户对推送的产品信息的反馈情况；根据所述目标用户的反馈信息，更新所述逻辑回归模型，所述梯度提升决策树和所述深度学习模型。本申请第二方面提供一种基于深度学习的产品推荐装置，包括：确定单元，用于确定目标用户对应的候选产品库；其中，所述候选产品库包含多个所述目标用户未购买的产品；筛选单元，用于利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品；分析单元，用于针对每一个所述待推荐产品，利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率；其中，所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定；排序单元，用于根据各个所述待推荐产品的预测响应概率，按由大至小的顺序对各个所述待推荐产品进行排序，得到待推荐列表；推送单元，用于按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。可选的，所述分析单元利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率时，具体用于：利用预先构建的逻辑回归模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第一响应概率；利用预先构建的梯度提升决策树分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第二响应概率；利用预先构建的深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第三响应概率；将所述待推荐产品的第一响应概率，第二响应概率和第三响应概率进行加权平均，得到所述待推荐产品的预测响应概率可选的，所述装置还包括更新单元，用于：获取所述目标本文档来自技高网...

【技术保护点】
1.一种基于深度学习的产品推荐方法，其特征在于，包括：/n确定目标用户对应的候选产品库；其中，所述候选产品库包含多个所述目标用户未购买的产品；/n利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品；/n针对每一个所述待推荐产品，利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率；其中，所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定；/n根据各个所述待推荐产品的预测响应概率，按由大至小的顺序对各个所述待推荐产品进行排序，得到待推荐列表；/n按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。/n

【技术特征摘要】
1.一种基于深度学习的产品推荐方法，其特征在于，包括：
确定目标用户对应的候选产品库；其中，所述候选产品库包含多个所述目标用户未购买的产品；
利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品；
针对每一个所述待推荐产品，利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率；其中，所述用户特征根据表征目标用户基本信息的第一要素、表征目标用户的产品持有情况的第二要素和表征目标用户的消费偏好的第三要素确定；
根据各个所述待推荐产品的预测响应概率，按由大至小的顺序对各个所述待推荐产品进行排序，得到待推荐列表；
按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息。


2.根据权利要求1所述的方法，其特征在于，所述利用词向量模型，协同过滤技术，隐含语义模型和预设的业务推荐规则，从所述候选产品库中筛选得到多个待推荐产品，包括：
以所述目标用户的已购买产品作为训练语料，训练得到词向量模型；
利用所述词向量模型计算得到所述候选产品库中每一个产品对应的产品向量；
根据所述候选产品库中各个产品的产品向量和所述已购买产品的产品向量之间的相似度，从所述候选产品库中选取第一推荐产品；其中，所述第一推荐产品的产品向量和所述已购买产品的产品向量之间的相似度大于第一阈值；
确定出多个和所述目标用户相似的相似用户；
将所述候选产品库中所述相似用户已购买的产品，确定为第二推荐产品；
获得包含所述目标用户在内的多个用户针对所述候选产品库中部分产品的交互记录，并根据所述交互记录生成产品评分矩阵；其中，所述产品评分矩阵包含所述多个用户对所述候选产品库中部分产品的评分；
对所述产品评分矩阵进行矩阵分解，得到用户矩阵和产品矩阵；
根据所述用户矩阵和所述产品矩阵，计算得到所述目标用户针对所述候选产品库的每一个产品的评分；
将所述候选产品库中，目标用户的评分大于第二阈值的产品确定为第三推荐产品；
确定所述候选产品库中每一个产品所属业务条线；
将所述候选产品库中，所属业务条线为业务推荐规则指定的优先推荐条线的产品，确定为第四推荐产品；
将所述第一推荐产品，所述第二推荐产品，所述第三推荐产品和所述第四推荐产品均确定为待推荐产品。


3.根据权利要求1所述的方法，其特征在于，所述利用预先构建的逻辑回归模型，梯度提升决策树和深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的预测响应概率，包括：
利用预先构建的逻辑回归模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第一响应概率；
利用预先构建的梯度提升决策树分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第二响应概率；
利用预先构建的深度学习模型分析所述待推荐产品的产品特征和所述目标用户的用户特征，得到所述待推荐产品的第三响应概率；
将所述待推荐产品的第一响应概率，第二响应概率和第三响应概率进行加权平均，得到所述待推荐产品的预测响应概率。


4.根据权利要求1所述的方法，其特征在于，所述按所述目标用户设置的免打扰策略向所述目标用户推送所述待推荐列表中前N个待推荐产品的产品信息，包括：
判断当前时刻是否位于所述目标用户设置的免打扰策略所指定的可推送时间...

【专利技术属性】
技术研发人员：林思涵，张雷妮，张奕宁，卓全娇，曾璐，张文新，
申请(专利权)人：中国建设银行股份有限公司深圳市分行，
类型：发明
国别省市：广东;44